Week 7A
Geospatial Data: Street Networks

# The usual imports
import altair as alt
import geopandas as gpd
import numpy as np
import pandas as pd
from matplotlib import pyplot as plt

# Show all columns in dataframes
pd.options.display.max_columns = 999

# Hide warnings due to issue in shapely package 
# See: https://github.com/shapely/shapely/issues/1345
np.seterr(invalid="ignore");

1 Today: Urban street networks and OpenStreetMap (OSM)

• Two tools that make working with OSM data very easy
• What kind of questions can we answer?
  • Street orientations
  • Mapping event points to streets: car crashes
  • Mapping amenities
  • Network-constrained distances: accessibility

2 OSM: what is it?

• Collaborative mapping
• A free editable map of the World
• Sort of like Wikipedia for maps

Great source of data: street networks and a wealth of amenity information

https://www.openstreetmap.org

3 Working with OSM data

• Raw data is very messy
• Two relatively new, amazing Python packages greatly simply the process
• Related, but complementary features
  • OSMnx: downloading and manipulating streets as networks
  • Pandana: networks focused on accessibility of amenities

Related: interactive web maps in Python

4 Part 1: OSMnx

Relatively new package (just a few years old), but quickly becoming the go to package for working with street networks and OpenStreetMap data in Python.

Several key features:

• Downloading political boundaries for cities, states, countries, etc

• Downloading street networks

• Analyzing networks: routing, visualization, statistics

  • GitHub
  • Introductory Blog Post
  • Jupyter Notebook Examples (Binder)
  • Documentation

# !pip install osmnx

import osmnx as ox

4.1 1.1. Getting boundary shapefiles from OSM

Key function: geocode_to_gdf() (docs)

We can get the boundary for anything identified as a “place” by OSM.

Important: Be careful to pass the right place name that OSM needs

philly = ox.geocode_to_gdf("Philadelphia, PA")

philly.head()

	geometry	bbox_west	bbox_south	bbox_east	bbox_north	place_id	osm_type	osm_id	lat	lon	class	type	place_rank	importance	addresstype	name	display_name
0	POLYGON ((-75.28027 39.97496, -75.28023 39.974...	-75.280266	39.867005	-74.955831	40.137959	331386626	relation	188022	39.952724	-75.163526	boundary	administrative	16	0.766493	city	Philadelphia	Philadelphia, Philadelphia County, Pennsylvani...

philly.crs

<Geographic 2D CRS: EPSG:4326>
Name: WGS 84
Axis Info [ellipsoidal]:
- Lat[north]: Geodetic latitude (degree)
- Lon[east]: Geodetic longitude (degree)
Area of Use:
- name: World.
- bounds: (-180.0, -90.0, 180.0, 90.0)
Datum: World Geodetic System 1984 ensemble
- Ellipsoid: WGS 84
- Prime Meridian: Greenwich

We can plot it just like any other GeoDataFrame

# Project it to Web Mercator first and plot
ax = philly.to_crs(epsg=3857).plot(facecolor="none", edgecolor="black")
ax.set_axis_off()

4.2 1.2 Projecting with OSMnx

Key function: project_gdf() (docs)

Automatically projects to the Universal Transverse Mercator (UTM) CRS for the UTM zone that the centroid of the polygon lies in

A good, general projection that works for most latitudes except very northern locations.

# ax = ox.project_gdf(philly).plot(fc="lightblue", ec="gray")
# ax.set_axis_off()

import geopandas as gpd

# Reproject philly to its best UTM zone
philly_proj = philly.to_crs(philly.estimate_utm_crs())

# Plot
ax = philly_proj.plot(fc="lightblue", ec="gray")
ax.set_axis_off()

Some more examples:

# Some examples
place1 = ox.geocode_to_gdf("Manhattan, New York City, New York, USA")
place2 = ox.geocode_to_gdf("Miami-Dade County, Florida")
place3 = ox.geocode_to_gdf("Florida, USA")
place4 = ox.geocode_to_gdf("Spain")

# # Manhattan
# ax = ox.project_gdf(place1).plot(fc="lightblue", ec="gray")
# ax.set_axis_off()

# Reproject philly to its best UTM zone
place1_repoj = place1.to_crs(place1.estimate_utm_crs())
ax = place1_repoj.plot(fc="lightblue", ec="gray")
ax.set_axis_off()

# # Miami-Dade County
# ax = ox.project_gdf(place2).plot(fc="lightblue", ec="gray")
# ax.set_axis_off()

# Reproject philly to its best UTM zone
place2_repoj = place2.to_crs(place2.estimate_utm_crs())
ax = place2_repoj.plot(fc="lightblue", ec="gray")
ax.set_axis_off()

# # Florida
# ax = ox.project_gdf(place3).plot(fc="lightblue", ec="gray")
# ax.set_axis_off()

# Reproject philly to its best UTM zone
place3_repoj = place3.to_crs(place3.estimate_utm_crs())
ax = place3_repoj.plot(fc="lightblue", ec="gray")
ax.set_axis_off()

# # Spain
# ax = ox.project_gdf(place4).plot(fc="lightblue", ec="gray")
# ax.set_axis_off()

# Reproject philly to its best UTM zone
place4_repoj = place4.to_crs(place4.estimate_utm_crs())
ax = place4_repoj.plot(fc="lightblue", ec="gray")
ax.set_axis_off()

4.3 1.3 Downloading OSM features

Key functions: features_from_*

• features_from_place() (docs)
  • Download features within an OSM place boundary
• features_from_address() (docs)
  • Download features within a certain distance of an address
• features_from_bbox() (docs)
  • Download features within a N, S, E, W bounding box
• features_from_point() (docs)
  • Download features within a certain distance of a specified point
• features_from_polygon() (docs)
  • Download features within a polygon object

About OSM features

Important reference: https://wiki.openstreetmap.org/wiki/Map_Features

• OSM uses a tagging system to categorize different map features
• The main feature categories are available on the OSM Wikipedia
  • Examples: ‘amenity’, ‘building’, ‘landuse’, ‘highway’
• There are specific sub-categories for each feature type too:
  • Amenity examples: ‘bar’, ‘college’, ‘library’

In the language of OSM, the “key” is the main feature category (e.g., amenity) and the “value” is the sub-category type (e.g., “bar”)

osmnx mirrors the key/value syntax of OSM. Use a dict to specify the features you want:

# Get all amenities in Philadelphia
amenities = ox.features_from_place("Philadelphia, PA", tags={"amenity": True})

len(amenities)

15646

amenities.head()

		geometry	amenity	brand	brand:wikidata	name	operator	operator:wikidata	operator:wikipedia	short_name	addr:city	addr:housenumber	addr:postcode	addr:state	addr:street	air_conditioning	branch	cuisine	official_name	opening_hours	phone	ref	takeaway	website	created_by	source	alt_name	atm	contact:facebook	diet:vegetarian	payment:cash	payment:credit_cards	payment:debit_cards	wheelchair	brand:website	brand:wikipedia	healthcare	internet_access	url	contact:phone	description	email	wikidata	brewery	contact:instagram	diet:vegan	education	ele	gnis:feature_id	religion	check_date	denomination	building	old_name	comment	operator:type	school	wikipedia	service_times	historic:amenity	name:en	social_facility	operator:short	operator:website	emergency	healthcare:speciality	bicycle_parking	capacity	covered	library	ref:isil	addr:country	callsign	studio	craft	microbrewery	outdoor_seating	drive_through	check_date:opening_hours	contact:website	reservation	website:menu	addr:unit	internet_access:fee	shop	training	toilets:wheelchair	contact:linkedin	contact:tiktok	contact:twitter	addr:housename	delivery	indoor_seating	bottle	fountain	collection_times	parking	self_service	dispensing	opening_hours:drive_through	opening_hours:signed	screen	payment:coins	smoking	architect	artist_name	wikimedia_commons	female	fee	check_date:opening_hours:drive_through	contact:myspace	fax	bar	designation	tourism	source:pkey	fixme	access	changing_table	toilets	name:zh	addr:full	mobile	charge	panoramax	fuel:biodiesel	fuel:biogas	fuel:cng	fuel:diesel	fuel:e10	fuel:e85	fuel:electricity	sport	collection_times:signed	ref:signed	drive_in	compressed_air	check_date:collection_times	food	cash_in	indoor	toilets:access	not:brand:wikidata	diet:halal	opening_hours:atm	payment:apple_pay	payment:contactless	toilets:handwashing	toilets:handwashing:soap	check_date:diet:vegan	diet:organic	diet:meat	leisure	drink:club-mate	car_wash	note	bicycle_rental	kiosk	min_age	network	network:wikidata	owner	owner:wikidata	ownership	payment:app	rental	sponsor	sponsor:wikidata	toilets:disposal	opening_hours:bar	opening_hours:kitchen	diet:pescetarian	lgbtq	park_ride	supervised	power_supply	addr:place	flickr	was:shop	contact:email	facebook	instagram	twitter	youtube	source:cuisine	disused:shop	toilets:position	male	maxheight	wheelchair:description	wheelchair:description:en	internet_access:ssid	layer	service:bicycle:chain_tool	service:bicycle:pump	currency:USD	drink:coca-cola	drink:coke	drink:cola	drink:cola_zero	drink:soda	drink:water	vending	network:wikipedia	amenity_1	recycling:computers	recycling:tv_monitor	recycling_type	ferry	public_transport	entrance	toilets:unisex	kitchen_hours	animal	fixme:atp	website:orders	website:reservation	check_date:wheelchair	backrest	street_vendor	service:bicycle:repair	payment:cards	name:es	diet:kosher	social_facility:for	theatre:genre	beds	level	payment:visa	was:name	happy_hours	opening_hours:brunch	opening_hours:dinner	opening_hours:lunch	direction	office	date	display	faces	armrest	seats	material	name:ca	addr:city:ar	name:ar	service:bicycle:tools	colour	brand:type	parcel_locker:type	parcel_mail_in	parcel_pickup	waste	historic	artwork_type	start_date	support	type	payment:american_express	payment:discover_card	payment:mastercard	dog	recycling:beverage_cartons	recycling:cans	recycling:glass_bottles	recycling:paper	recycling:plastic	recycling:plastic_bottles	recycling:plastic_packaging	contact:yelp	portable	seasonal	unisex	internet_access:description	man_made	particle_accelerator	substance	payment:cheque	heritage	clock	inscription	inscription:1	panoramax:1	bus	tram	opening_hours:bottle_shop	barrier	public_bookcase:type	check_date:capacity	payment:cash_app	payment:venmo	seating	currency:XBT	theatre:type	smoothness	surface	opening_hours:Condesa	opening_hours:El_Cafe	opening_hours:El_Techo	shelter_type	currency:BCH	manufacturer	payment:onchain	cash_out	brand:en	brand:zh	location	lit	drinking_water	height	fridge	opening_hours:covid19	diet:healthy	abandoned:amenity	artwork_subject	memorial	subject:wikidata	payment:lightning	payment:lightning_contactless	delivery:partner	internet_access:password	post_box:type	check_date:diet:vegetarian	description:en	check_date:currency:XBT	check_date:smoking	phone:mnemonic	addr:door	was:amenity	urgent_care	community_centre:for	community_centre	animal_shelter	cash	name:etymology	name:etymology:wikidata	image	operator:short_name	automated	social_centre:for	cash_withdrawal	nobrand	recycling:clothes	animal_training	parking_space	bike_ride	bin	polling_station	shop:music:vinyl	books	manufacturer:wikidata	model	model:ref	addr:floor	diet	survey:date	former:shop	cafe	contact:bluesky	website:booking	fuel	nursery	preschool	diet:gluten_free	int_name	old_ref	mimics	fast_food	gender_segregated	heating	live_music	was:addr:housenumber	healthcare:for	tactile_paving	animal_boarding	recycling:waste	authentication:app	bicycle	frequency	hgv	maxstay	motorcar	network:website	payment:app:tesla	ref:supercharge_info	scooter	socket:nacs	socket:nacs:output	diet:mediterranean	landuse	restaurant	brand:short	building:levels	capacity:disabled	building:floor	ref:nrhp	building:material	roof:levels	roof:shape	vehicle	natural	water	building:use	lanes	ship:type	wifi	orientation	name:he	source:name	basilica	diocese	website:en	roof:material	access:conditional	rite	heritage:operator	building:architecture	heritage:website	contact:mastodon	architect:wikidata	building:levels:underground	nrhp:criteria	nrhp:inscription_date	building:colour	ref:dove	check_date:compressed_air	nonsquare	name:ja	name:zn	roof:orientation	demolished:building	historic:name	grades	farm_boxes	disused:amenity	disused:name	post_office	building:part	monastery:type	theme	bench	loc_name	drink	subdenomination	police	was:cuisine	was:delivery	was:drive_through	was:outdoor_seating	was:takeaway	school:type	old_name1	old_name2	elevation	fuel:octane_95	fuel:gasoline	fuel:octane_87	healthcare:counselling	parking:orientation	area	protection_title	source_ref	country	house	diet:lacto_vegetarian	name:vi	isced:level	pedagogy	school:gender	statue	crossing:markings
element	id
node	109811385	POINT (-75.19487 40.05846)	bench	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	110237774	POINT (-75.15662 39.9504)	parking_entrance	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	274216093	POINT (-75.19125 39.95764)	atm	Citibank	Q857063	Citibank	Citibank	Q857063	en:Citibank	Citi	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	274217596	POINT (-75.19229 39.95301)	cafe	Starbucks	Q37158	Starbucks	NaN	NaN	NaN	NaN	Philadelphia	3401	19104	PA	Walnut Street	yes	Walnut & 34th	coffee_shop	Starbucks Coffee	Mo-Fr 05:30-20:00; Sa,Su 06:00-20:00	+1-215-387-1914	14716	yes	https://www.starbucks.com/store-locator/store/...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	313440966	POINT (-75.16694 39.96394)	car_sharing	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	Potlatch 0.10f	local_knowledge	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

# Get all bars in philadelphia
bars = ox.features_from_place("Philadelphia, PA", tags={"amenity": "bar"})

len(bars)

166

bars.head()

		geometry	addr:housenumber	addr:street	amenity	contact:phone	contact:website	description	name	opening_hours	outdoor_seating	check_date	contact:facebook	addr:postcode	phone	website	addr:city	air_conditioning	smoking	toilets:wheelchair	wheelchair	check_date:opening_hours	opening_hours:signed	indoor_seating	contact:instagram	leisure	sport	lgbtq	access	brand	brand:wikidata	wheelchair:description	opening_hours:kitchen	addr:state	branch	cuisine	fixme	name:en	name:es	addr:unit	email	craft	heritage	wikidata	wikipedia	brewery	min_age	opening_hours:bottle_shop	operator	alt_name	height	source	internet_access	website:menu	landuse	microbrewery	restaurant	atm	building	building:levels	food	nonsquare	shop	contact:tiktok	contact:twitter	level	designation
element	id
node	1033935437	POINT (-75.17552 39.95242)	2101	Chestnut Street	bar	+1 215-568-3355	https://mixbarandgrillphilly.com/location/mix-...	The bar is open until whenever the rush ends.	Mix Bar & Grill	Mo-We,Su 11:00-22:00; Th-Sa 11:00-23:00	yes	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	1167079387	POINT (-75.14925 39.9417)	401	South Street	bar	+1 215-925-6455	https://www.milkboy.tv/southstreet	NaN	MilkBoy South Street	Mo-Tu,Su 11:00-24:00; We-Sa 11:00-25:00	NaN	2023-04-12	https://www.facebook.com/milkboysouthstreet	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	1204761128	POINT (-75.16363 39.92685)	NaN	NaN	bar	NaN	NaN	NaN	Vikings High School Club	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	1424271155	POINT (-75.14909 39.94152)	344	South Street	bar	NaN	NaN	NaN	Copabanana	Mo-Su 11:30-02:00	NaN	NaN	NaN	19147	+1 215-923-6180	https://copabanana.com/	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	1475230378	POINT (-75.14002 39.96627)	1001	North 2nd Street	bar	NaN	NaN	NaN	Gunner's Run	Mo-Su 11:00-02:00	NaN	NaN	NaN	19123	+1 215-923-4600	http://gunnersrun.com/	Philadelphia	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

# Get bar, pub, and restaurant features in Philadelphia
food_and_drink = ox.features_from_place(
    "Philadelphia, PA", tags={"amenity": ["pub", "bar", "restaurant"]}
)

len(food_and_drink)

1148

food_and_drink.head()

		geometry	addr:city	addr:housenumber	addr:postcode	addr:state	addr:street	alt_name	amenity	atm	contact:facebook	cuisine	diet:vegetarian	name	opening_hours	payment:cash	payment:credit_cards	payment:debit_cards	source	wheelchair	brewery	contact:instagram	diet:vegan	email	phone	website	check_date	craft	microbrewery	outdoor_seating	brand	brand:wikidata	check_date:opening_hours	contact:website	reservation	website:menu	contact:phone	contact:twitter	internet_access	self_service	indoor_seating	opening_hours:signed	description	wikimedia_commons	air_conditioning	smoking	bar	designation	takeaway	addr:housename	toilets:wheelchair	short_name	name:zh	sport	delivery	drive_in	food	not:brand:wikidata	toilets	diet:halal	addr:country	drive_through	branch	official_name	diet:organic	diet:meat	leisure	opening_hours:bar	opening_hours:kitchen	operator	fixme	diet:pescetarian	lgbtq	source:cuisine	access	wheelchair:description	facebook	ref	amenity_1	capacity	fax	kitchen_hours	wikidata	website:orders	website:reservation	name:en	street_vendor	addr:unit	name:es	brand:wikipedia	was:name	level	note	happy_hours	opening_hours:brunch	opening_hours:dinner	opening_hours:lunch	payment:apple_pay	payment:cards	payment:contactless	name:ca	internet_access:fee	payment:american_express	payment:discover_card	payment:mastercard	payment:visa	start_date	contact:yelp	internet_access:description	internet_access:ssid	heritage	wikipedia	min_age	opening_hours:bottle_shop	opening_hours:Condesa	opening_hours:El_Cafe	opening_hours:El_Techo	diet:healthy	delivery:partner	toilets:access	height	check_date:smoking	panoramax	phone:mnemonic	diet:gluten_free	was:addr:housenumber	diet:mediterranean	toilets:unisex	landuse	restaurant	building	historic	ship:type	source:name	website:en	building:levels	contact:mastodon	image	roof:levels	name:ja	name:zn	nonsquare	shop	theme	building:colour	building:material	roof:shape	contact:tiktok	house
element	id
node	333786044	POINT (-75.15893 39.94086)	Philadelphia	735	19147	PA	South 10th Street	Morning Glory Diner	restaurant	yes	https://www.facebook.com/MorningGloryDiner/	diner	yes	Sam's Morning Glory	Mo-Fr 08:00-14:00; Sa,Su 08:00-15:00	yes	no	no	knowledge;survey	limited	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	343293806	POINT (-75.15946 39.96073)	Philadelphia	501	19123	PA	North 13th Street	NaN	pub	NaN	NaN	american;burger;fish_and_chips;sandwich	yes	Prohibition Taproom	Fr-Sa 12:00-01:00; Su 12:00-00:00; Mo-Th 16:00...	NaN	NaN	NaN	survey	NaN	yes	prohibition_taproom	yes	info@theprohibitiontaproom.com	215-238-1818	http://theprohibitiontaproom.com/	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	566683522	POINT (-75.15755 39.96205)	Philadelphia	1139	19123	NaN	Spring Garden Street	NaN	restaurant	NaN	NaN	pizza	NaN	Spring Garden Pizza & Restaurant	Mo-Fr 08:00-20:00; Sa 08:00-17:00; Su off	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	+1 215-765-7665	https://www.springgardenpizza.com	2023-10-11	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	596230881	POINT (-75.18682 40.05492)	NaN	NaN	NaN	NaN	NaN	NaN	restaurant	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	596245658	POINT (-75.19035 40.0592)	Philadelphia	7136	19119	PA	Germantown Avenue	NaN	restaurant	NaN	NaN	NaN	NaN	Earth Bread & Brewery	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	brewery	yes	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

# Get bus stop features
bus_stops = ox.features_from_place("Philadelphia, PA", tags={"highway": "bus_stop"})

len(bus_stops)

324

bus_stops.head()

		geometry	bench	bus	covered	highway	name	network	network:wikidata	operator	public_transport	ref	shelter	network:wikipedia	tactile_paving	wheelchair	route_ref	local_ref	bin	lit	designation	source	check_date:shelter	departures_board	internet_access	addr:street	route_ref_1	operator:wikidata	description	note	brand	brand:wikidata	railway	tram	trolleybus	network:short	not:network:wikidata	advertising	addr:city	addr:housenumber	addr:postcode	addr:state	ref:signed	fixme
element	id
node	361011456	POINT (-75.16166 39.95223)	yes	yes	yes	bus_stop	13th St & Market St	SEPTA	Q2037863	SEPTA	platform	10264	yes	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	750281693	POINT (-75.07732 40.01797)	NaN	yes	NaN	bus_stop	NaN	NaN	NaN	NaN	platform	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	768271130	POINT (-75.20726 40.01487)	NaN	yes	NaN	bus_stop	Wissahickon Transportation Center	SEPTA	Q2037863	SEPTA	platform	NaN	yes	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	1015342921	POINT (-75.18187 39.9664)	NaN	yes	NaN	bus_stop	NaN	NaN	NaN	NaN	platform	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	1015342926	POINT (-75.18024 39.9667)	NaN	yes	NaN	bus_stop	NaN	NaN	NaN	NaN	platform	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

# Get commercial and retail landuse features
landuse = ox.features_from_place(
    "Philadelphia, PA", tags={"landuse": ["commercial", "retail"]}
)

len(landuse)

349

Let’s plot the land use features:

from matplotlib import pyplot as plt

fig, ax = plt.subplots(figsize=(10, 6))

ax = landuse.plot(ax=ax)
ax.set_axis_off()

4.4 1.4 Downloading street networks

Key functions: graph_from_*

• graph_from_place() (docs)
  • Download street network within an OSM place boundary
• graph_from_address() (docs)
  • Download street network within a certain distance of an address
• graph_from_bbox() (docs)
  • Download street network within a N, S, E, W bounding box
• graph_from_point() (docs)
  • Download street network within a certain distance of a specified point
• graph_from_polygon() (docs)
  • Download street network within a polygon object

4.4.1 Street network around an address

Get streets within 500 meters of the center of Center City

G = ox.graph_from_address("Center City, Philadelphia, PA", dist=500)

Project and plot it:

G_projected = ox.project_graph(G)
ox.plot_graph(G_projected);

Remove the nodes:

ox.plot_graph(G_projected, node_size=0);

Let’s zoom out to 2,000 meters. This will take a little longer.

G = ox.graph_from_address("Center City, Philadelphia, PA", dist=2000)
G_projected = ox.project_graph(G)

ox.plot_graph(G_projected, node_size=0);

4.4.2 Getting different network types

• drive - get drivable public streets (but not service roads)
• drive_service - get drivable streets, including service roads
• walk - get all streets and paths that pedestrians can use (this network type ignores one-way directionality)
• bike - get all streets and paths that cyclists can use
• all - download all non-private OSM streets and paths
• all_private - download all OSM streets and paths, including private-access ones (default)

# the "drive" network
G = ox.graph_from_address("Center City, Philadelphia, PA", network_type="drive", dist=2000)
ox.plot_graph(G);

# the "walk" network
G = ox.graph_from_address("Center City, Philadelphia, PA", network_type="walk", dist=2000)
ox.plot_graph(ox.project_graph(G));

4.4.3 Street network within a place boundary

Use graph_from_place() to get the streets within a specific OSM place.

Caution

A couple of things to watch out for: 1. The place query has to be resolved by OSM. 2. If the place is a big city, you might be downloading a lot of data!

Let’s check out the street network for Berkeley, CA:

berkeley = ox.graph_from_place("Berkeley, California, USA")

ox.plot_graph(ox.project_graph(berkeley), node_size=0);

4.4.4 Streets within a specific polygon

Example: Let’s download all streets within Center City. We will use the “Central” planning district as a proxy for this area. The city’s planning districts are available on Open Data Philly.

planning_districts = gpd.read_file(
    "https://opendata.arcgis.com/datasets/0960ea0f38f44146bb562f2b212075aa_0.geojson"
)

len(planning_districts)

18

planning_districts.head()

	objectid	dist_name	abbrev	Shape__Area	Shape__Length	geometry
0	1	River Wards	RW	3.338947e+07	26635.524113	POLYGON ((-75.09798 40.00496, -75.09687 40.005...
1	2	North Delaware	NDEL	4.285306e+07	35525.335312	POLYGON ((-74.98159 40.05363, -74.98139 40.053...
2	3	Lower Far Northeast	LFNE	4.875252e+07	36958.071333	POLYGON ((-74.96443 40.11728, -74.96434 40.117...
3	4	Central	CTR	2.822133e+07	28401.823065	POLYGON ((-75.14791 39.96733, -75.14715 39.967...
4	5	University Southwest	USW	2.051763e+07	25957.938149	POLYGON ((-75.18742 39.96338, -75.18644 39.963...

Trim to the central district:

central_district = planning_districts.query("dist_name == 'Central'")

And plot it:

## old version previous OSMnx 2.0
# ax = ox.project_gdf(central_district).plot(fc="lightblue", ec="gray")
# ax.set_axis_off()

# Reproject philly to its best UTM zone
central_district_repoj = central_district.to_crs(central_district.estimate_utm_crs())
ax = central_district_repoj.plot(fc="lightblue", ec="gray")
ax.set_axis_off()

central_district, central_district_repoj.crs

(   objectid dist_name abbrev   Shape__Area  Shape__Length  \
 3         4   Central    CTR  2.822133e+07   28401.823065   
 
                                             geometry  
 3  POLYGON ((-75.14791 39.96733, -75.14715 39.967...  ,
 <Projected CRS: EPSG:32618>
 Name: WGS 84 / UTM zone 18N
 Axis Info [cartesian]:
 - E[east]: Easting (metre)
 - N[north]: Northing (metre)
 Area of Use:
 - name: Between 78°W and 72°W, northern hemisphere between equator and 84°N, onshore and offshore. Bahamas. Canada - Nunavut; Ontario; Quebec. Colombia. Cuba. Ecuador. Greenland. Haiti. Jamaica. Panama. Turks and Caicos Islands. United States (USA). Venezuela.
 - bounds: (-78.0, 0.0, -72.0, 84.0)
 Coordinate Operation:
 - name: UTM zone 18N
 - method: Transverse Mercator
 Datum: World Geodetic System 1984 ensemble
 - Ellipsoid: WGS 84
 - Prime Meridian: Greenwich)

Squeeze it so we can get the geometry polygon:

center_city_outline = central_district.squeeze().geometry

center_city_outline, type(center_city_outline)

(<POLYGON ((-75.148 39.967, -75.147 39.967, -75.147 39.969, -75.147 39.97, -7...>,
 shapely.geometry.polygon.Polygon)

Now, let’s use ox.graph_from_polygon() to extract streets within this polygon.

# Get the graph
G_cc = ox.graph_from_polygon(center_city_outline, network_type="drive")

# Viola!
ox.plot_graph(ox.project_graph(G_cc), node_size=0);

4.5 1.5 Converting from a graph to a GeoDataFrame

Key function: ox.graph_to_gdfs() (docs)

You can get a GeoDataFrame for both the nodes (points) and edges (lines)

type(G_cc)

networkx.classes.multidigraph.MultiDiGraph

# only get the edges
cc_edges = ox.graph_to_gdfs(G_cc, edges=True, nodes=False)

# we have lots of data associated with each edge!
cc_edges.head()

			osmid	highway	lanes	name	oneway	reversed	length	geometry	maxspeed	ref	bridge	tunnel	width	service	access	junction
u	v	key
109727439	109911666	0	132508434	residential	1	Bainbridge Street	True	False	44.347013	LINESTRING (-75.17104 39.94345, -75.1706 39.94...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
109727448	109727439	0	12109011	residential	NaN	South Colorado Street	True	False	109.496448	LINESTRING (-75.17125 39.94248, -75.1712 39.94...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	110034229	0	12159387	residential	NaN	Fitzwater Street	True	False	91.354184	LINESTRING (-75.17125 39.94248, -75.17129 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
109727507	110024052	0	193364514	residential	NaN	Carpenter Street	True	False	53.208442	LINESTRING (-75.17196 39.93974, -75.17134 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
109728761	110274344	0	672312336	residential	NaN	Brown Street	True	False	58.270358	LINESTRING (-75.17317 39.96951, -75.1725 39.96...	25 mph	NaN	NaN	NaN	NaN	NaN	NaN	NaN

# plot it like any old GeoDataFrame
ax = cc_edges.to_crs(epsg=3857).plot(color="gray")

# add the neighborhood boundaries
boundary = gpd.GeoSeries([center_city_outline], crs="EPSG:4326")
boundary.to_crs(epsg=3857).plot(
    ax=ax, facecolor="none", edgecolor="red", linewidth=3, zorder=2
)

ax.set_axis_off()

Don’t forget: We can use the .explore() function to get an interactive web map via Folium:

cc_edges.explore(tiles='cartodb positron')

Make this Notebook Trusted to load map: File -> Trust Notebook

4.6 1.6 What can we do with the graph?

• Network-based statistics
• Routing
• Street orientations
• Visualizing crashes

And much more: see the OSMnx repository of Jupyter notebook examples

4.6.1 Street orientations

A great blog post on street orientations across different US and global cities.

One of my favorite examples of data viz, using matplotlib for radial histograms of street orientations…

The code for these histograms is available in the osmnx examples repository.

4.6.2 Network statistics

We can use the ox.basic_stats() to get some basic network statistics

ox.basic_stats(G_cc)

{'n': 2103,
 'm': 4041,
 'k_avg': 3.843081312410842,
 'edge_length_total': 357877.4854847953,
 'edge_length_avg': 88.56161481930098,
 'streets_per_node_avg': 3.4070375653827867,
 'streets_per_node_counts': {0: 0, 1: 60, 2: 13, 3: 1061, 4: 952, 5: 14, 6: 3},
 'streets_per_node_proportions': {0: 0.0,
  1: 0.028530670470756064,
  2: 0.006181645268663814,
  3: 0.5045173561578697,
  4: 0.4526866381359962,
  5: 0.006657156443176415,
  6: 0.0014265335235378032},
 'intersection_count': 2043,
 'street_length_total': 311543.5997247771,
 'street_segment_count': 3495,
 'street_length_avg': 89.13979963512935,
 'circuity_avg': 1.0170222084715144,
 'self_loop_proportion': 0.0005722460658082976}

4.6.3 Finding the shortest route

Let’s calculate the shortest route between the Art Museum and the Liberty Bell.

We’ll need to download all amenities in Philadelphia of type “tourism”.

• The ox.features_from_place() can download OSM features with a specific tag
• You can consult the OSM pages (the Art Museum and Liberty Bell) for each feature for additional info
• Both features are categorized as “tourism” in the OSM data — use the “tags” keyword to select this category

philly_tourism = ox.features_from_place("Philadelphia, PA", tags={"tourism": True})

len(philly_tourism)

892

philly_tourism.head()

		geometry	ele	gnis:feature_id	name	tourism	addr:city	addr:housenumber	addr:postcode	addr:state	addr:street	...	area	subject	tower:construction	tower:type	area:highway	step_count	wikimedia_commons	type	roof:colour	place
element	id
node	357371322	POINT (-75.1958 39.9697)	17	2347097	Bird Lake Picnic Area	picnic_site	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	360500844	POINT (-75.19582 39.95352)	NaN	NaN	Hilton Inn at Penn	hotel	Philadelphia	3600	19104	PA	Sansom Street	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	360515304	POINT (-75.1486 39.94771)	NaN	NaN	Robert Morris	artwork	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	360542779	POINT (-75.18932 39.9554)	NaN	NaN	Mario the Magnificent	artwork	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	360777728	POINT (-75.19021 39.9523)	NaN	NaN	Pennsylvania Historical Marker: ENIAC, first a...	information	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

5 rows × 190 columns

# How to find the name of the POI: search for keywords
philly_tourism.loc[philly_tourism['name'].str.contains("Art", na=False)]

		geometry	ele	gnis:feature_id	name	tourism	addr:city	addr:housenumber	addr:postcode	addr:state	addr:street	...	area	subject	tower:construction	tower:type	area:highway	step_count	wikimedia_commons	type	roof:colour	place
element	id
node	367974278	POINT (-75.1524 40.03748)	61	2349240	La Salle University Art Museum	museum	Philadelphia	1900	NaN	PA	West Olney Avenue	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	4064343335	POINT (-75.22113 40.02427)	NaN	NaN	Soft Illusions Fine Art Gallery	gallery	Philadelphia	4226	19127	PA	Main Street	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	5368454121	POINT (-75.19477 39.95406)	NaN	NaN	Institute of Contemporary Art	museum	Philadelphia	118	19104	PA	South 36th Street	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	5718906477	POINT (-75.13058 39.99573)	NaN	NaN	Art Making Machine Studios	gallery	Philadelphia	3000	19133	PA	Hope Street	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	6639391809	POINT (-75.16088 39.96383)	NaN	NaN	Philadelphia Museum of Jewish Art	museum	Philadelphia	615	19123	PA	North Broad Street	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	6680708848	POINT (-75.16833 39.94733)	NaN	NaN	Romanian Folk Art Museum	museum	Philadelphia	1606	19103	PA	Spruce Street	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	12188327106	POINT (-75.14215 39.95191)	NaN	NaN	Arch Enemy Arts	gallery	Philadelphia	109	19106	PA	Arch Street	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	12193292355	POINT (-75.14336 39.9522)	NaN	NaN	Twelve Gates Arts	gallery	Philadelphia	106	19106	PA	North 2nd Street	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	12222614599	POINT (-75.14334 39.95113)	NaN	NaN	Larry Becker Contemporary Art	gallery	Philadelphia	43	19106	PA	North 2nd Street	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	12235452452	POINT (-75.14486 39.95339)	NaN	NaN	Museum for Art in Wood	museum	Philadelphia	141	19106	PA	North 3rd Street	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
way	28533972	POLYGON ((-75.18117 39.96468, -75.18141 39.964...	32	NaN	Philadelphia Museum of Art	museum	Philadelphia	2600	19130	PA	Benjamin Franklin Parkway	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	333931830	POLYGON ((-75.1641 39.95543, -75.16416 39.9551...	13	1196718	Pennsylvania Academy of the Fine Arts	museum	Philadelphia	118	19102	PA	North Broad Street	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	988345364	POLYGON ((-75.21926 40.0832, -75.21931 40.0832...	84	NaN	Woodmere Art Museum	museum	Philadelphia	9201	19118	PA	Germantown Avenue	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

13 rows × 190 columns

art_museum = philly_tourism.query("name == 'Philadelphia Museum of Art'").squeeze()

art_museum.geometry

liberty_bell = philly_tourism.query("name == 'Liberty Bell'").squeeze()

liberty_bell.geometry

Now, extract the lat and lng coordinates

For the Art Museum geometry, we can use the .geometry.centroid attribute to calculate the centroid of the building footprint.

liberty_bell_x = liberty_bell.geometry.x
liberty_bell_y = liberty_bell.geometry.y

art_museum_x = art_museum.geometry.centroid.x
art_museum_y = art_museum.geometry.centroid.y

Find the nearest nodes on our OSMnx graph, using the ox.nearest_nodes() function

ox.nearest_nodes?

Signature: ox.nearest_nodes(G, X, Y, return_dist=False)
Docstring:
Find the nearest node to a point or to each of several points.
If `X` and `Y` are single coordinate values, this will return the nearest
node to that point. If `X` and `Y` are lists of coordinate values, this
will return the nearest node to each point.
If the graph is projected, this uses a k-d tree for euclidean nearest
neighbor search, which requires that scipy is installed as an optional
dependency. If it is unprojected, this uses a ball tree for haversine
nearest neighbor search, which requires that scikit-learn is installed as
an optional dependency.
Parameters
----------
G : networkx.MultiDiGraph
    graph in which to find nearest nodes
X : float or list
    points' x (longitude) coordinates, in same CRS/units as graph and
    containing no nulls
Y : float or list
    points' y (latitude) coordinates, in same CRS/units as graph and
    containing no nulls
return_dist : bool
    optionally also return distance between points and nearest nodes
Returns
-------
nn or (nn, dist) : int/list or tuple
    nearest node IDs or optionally a tuple where `dist` contains distances
    between the points and their nearest nodes
File:      ~/mambaforge/envs/musa-550-fall-2023/lib/python3.10/site-packages/osmnx/distance.py
Type:      function

# Get the origin node
orig_node = ox.nearest_nodes(G_cc, liberty_bell_x, liberty_bell_y) 

# Get the destination node
dest_node = ox.nearest_nodes(G_cc, art_museum_x, art_museum_y)

Now, we can use ox.shortest_path() function to find the shortest path between these graph nodes.

Note

We need to specify weight=‘length’ to find the shortest path by minimizing distance traveled (otherwise it treats each edge as weight=1).

# get the shortest path --> just a list of node IDs
route1 = ox.shortest_path(G_cc, orig_node, dest_node, weight="length")

route1

[3408446156,
 110217312,
 3425012161,
 109814427,
 5372039288,
 109814445,
 109814449,
 5358069713,
 5372059864,
 2644235371,
 5534891499,
 110540235,
 109750941,
 110402209,
 110402230,
 534960802,
 110391250,
 637791907,
 637791980,
 110329803,
 110329806,
 775897224,
 3414249481,
 110329822,
 110391452,
 110353061,
 11162290432,
 110054089,
 775897147,
 110329848,
 110329851,
 110125895,
 534969088,
 109745905,
 109740423,
 110330569,
 550175399]

Use ox.plot_graph_route() to plot a graph and highlight a specific route

ox.plot_graph_route(G_cc, route1, node_size=0);

How about an interactive version?

osmnx has a helper function ox.utils_graph.route_to_gdf() to convert a route to a GeoDataFrame of edges.

# ox.utils_graph.route_to_gdf(G_cc, route1, weight="length").explore(
#     tiles="cartodb positron",
#     color="red",
# )

## new OSMnx 2.0 version
import osmnx as ox

# New import location
from osmnx import routing
# Convert route to GeoDataFrame
gdf_route = routing.route_to_gdf(G_cc, route1, weight="length")

# Explore with folium/leafmap
gdf_route.explore(
    tiles="cartodb positron",
    color="red"
)

Make this Notebook Trusted to load map: File -> Trust Notebook

4.6.4 Finding the shortest travel time

The add_edge_speeds function add edge speeds (km per hour) to graph as new speed_kph edge attributes.

The function will add free-flow travel speeds for all edges based on the average maxspeed value of edges, per highway type. This process can definitely be imprecise, but in the case that you happen to have more precise speed data, you can supply your own data instead of relying on OSM data.

# impute speed on all edges missing data
G_cc = ox.add_edge_speeds(G_cc)

# calculate travel time (seconds) for all edges
G_cc = ox.add_edge_travel_times(G_cc)

# Get the graph edges
edges = ox.graph_to_gdfs(G_cc, nodes=False)

edges.head()

			osmid	highway	lanes	name	oneway	reversed	length	geometry	speed_kph	travel_time	maxspeed	ref	bridge	tunnel	width	service	access	junction
u	v	key
109727439	109911666	0	132508434	residential	1	Bainbridge Street	True	False	44.347013	LINESTRING (-75.17104 39.94345, -75.1706 39.94...	38.501215	4.146603	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
109727448	109727439	0	12109011	residential	NaN	South Colorado Street	True	False	109.496448	LINESTRING (-75.17125 39.94248, -75.1712 39.94...	38.501215	10.238306	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	110034229	0	12159387	residential	NaN	Fitzwater Street	True	False	91.354184	LINESTRING (-75.17125 39.94248, -75.17129 39.9...	38.501215	8.541940	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
109727507	110024052	0	193364514	residential	NaN	Carpenter Street	True	False	53.208442	LINESTRING (-75.17196 39.93974, -75.17134 39.9...	38.501215	4.975178	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
109728761	110274344	0	672312336	residential	NaN	Brown Street	True	False	58.270358	LINESTRING (-75.17317 39.96951, -75.1725 39.96...	40.233500	5.213896	25 mph	NaN	NaN	NaN	NaN	NaN	NaN	NaN

# Groupby highway type and get the mean values
edges["highway"] = edges["highway"].astype(str)
edges.groupby("highway")[["length", "speed_kph", "travel_time"]].mean()

	length	speed_kph	travel_time
highway
['residential', 'unclassified']	258.436611	40.233500	23.124307
['tertiary', 'motorway_link']	151.598640	40.233500	13.564694
living_street	52.876864	46.222619	4.118259
motorway	432.116867	81.085977	18.662521
motorway_link	306.735864	46.222619	23.889800
primary	102.944142	43.970544	8.436790
primary_link	55.344736	40.233500	4.952118
residential	80.858445	38.499816	7.586837
secondary	93.071002	42.532557	8.026738
secondary_link	57.032287	40.233500	5.103116
tertiary	77.746546	41.352463	6.787090
tertiary_link	39.973430	40.233500	3.576730
trunk	69.430842	56.326900	4.437507
trunk_link	179.573840	46.222619	13.985919
unclassified	114.078736	37.757592	11.042156

# calculate two routes by minimizing travel time
route2 = ox.shortest_path(G_cc, orig_node, dest_node, weight="travel_time")

# plot the routes
fig, ax = ox.plot_graph_routes(
    G_cc,
    routes=[route1, route2],
    route_colors=["r", "y"],
    route_linewidth=6,
    node_size=0,
)

Let’s plot both in an interactive map:

# m = ox.utils_graph.route_to_gdf(G_cc, route1, weight="length").explore(
#     tiles="cartodb dark matter",
#     color="red",
# )

# m = ox.utils_graph.route_to_gdf(G_cc, route2, weight="length").explore(
#     tiles="cartodb dark matter",
#     color="yellow",
#     m=m
# )


from osmnx import routing  # new location for route_to_gdf

# First route
gdf_route1 = routing.route_to_gdf(G_cc, route1, weight="length")
m = gdf_route1.explore(
    tiles="cartodb dark_matter",
    color="red"
)

# Second route on same map
gdf_route2 = routing.route_to_gdf(G_cc, route2, weight="length")
m = gdf_route2.explore(
    tiles="cartodb dark_matter",
    color="yellow",
    m=m
)

m

Make this Notebook Trusted to load map: File -> Trust Notebook

Let’s compare to the two routes:

Distances:

# meters_to_miles = 0.0006213712

# # compare the two routes
# route1_length = (
#     ox.utils_graph.route_to_gdf(G_cc, route1, weight="length")["length"].sum()
#     * meters_to_miles
# )

# route2_length = (
#     ox.utils_graph.route_to_gdf(G_cc, route2, weight="length")["length"].sum()
#     * meters_to_miles
# )

import osmnx as ox
from osmnx import routing  # new module for route_to_gdf

meters_to_miles = 0.0006213712

# Compare the two routes
route1_length = (
    routing.route_to_gdf(G_cc, route1, weight="length")["length"].sum()
    * meters_to_miles
)

route2_length = (
    routing.route_to_gdf(G_cc, route2, weight="length")["length"].sum()
    * meters_to_miles
)

print(f"Route 1 length: {route1_length:.2f} miles")
print(f"Route 2 length: {route2_length:.2f} miles")

Route 1 length: 2.19 miles
Route 2 length: 2.46 miles

Travel times:

seconds_to_mins = 1.0 / 60

# route1_time = (
#     ox.utils_graph.route_to_gdf(G_cc, route1, weight="travel_time")["travel_time"].sum()
#     * seconds_to_mins
# )
# route2_time = (
#     ox.utils_graph.route_to_gdf(G_cc, route2, weight="travel_time")["travel_time"].sum()
#     * seconds_to_mins
# )

route1_time = (
    routing.route_to_gdf(G_cc, route1, weight="travel_time")["travel_time"].sum()
    * seconds_to_mins
)
route2_time = (
    routing.route_to_gdf(G_cc, route2, weight="travel_time")["travel_time"].sum()
    * seconds_to_mins
)

Summarize:

print(f"Route 1 is {route1_length:.2f} miles and takes {route1_time:.2f} minutes.")
print(f"Route 2 is {route2_length:.2f} miles and takes {route2_time:.2f} minutes.")

Route 1 is 2.19 miles and takes 5.18 minutes.
Route 2 is 2.46 miles and takes 4.57 minutes.

5 Part 2: Pandana

“Pandas Network Analysis - dataframes of network queries, quickly”

A complementary set of OSM-related features: - Downloading OSM-based networks - Extracting amenity data (so-called “Points of Interest”) - Calculating network-constrained distances

• GitHub
• Jupyter Notebook Examples
• Documentation

# !pip install pandana

import pandana as pnda
from pandana.loaders import osm

5.1 Step 1: Get amenity data

Key function: osm.node_query()

• This will extract amenities within a given bounding box.
• Similar to the ox.features_from_bbox() function in OSMnx, but we slightly different syntax.

osm.node_query?

Signature: osm.node_query(lat_min, lng_min, lat_max, lng_max, tags=None)
Docstring:
Search for OSM nodes within a bounding box that match given tags.
Parameters
----------
lat_min, lng_min, lat_max, lng_max : float
tags : str or list of str, optional
    Node tags that will be used to filter the search.
    See http://wiki.openstreetmap.org/wiki/Overpass_API/Language_Guide
    for information about OSM Overpass queries
    and http://wiki.openstreetmap.org/wiki/Map_Features
    for a list of tags.
Returns
-------
nodes : pandas.DataFrame
    Will have 'lat' and 'lon' columns, plus other columns for the
    tags associated with the node (these will vary based on the query).
    Index will be the OSM node IDs.
File:      ~/mambaforge/envs/musa-550-fall-2023/lib/python3.10/site-packages/pandana/loaders/osm.py
Type:      function

Get the bounding box:

boundary = center_city_outline.bounds
boundary, type(boundary)

((-75.1935824529863, 39.9286257450625, -75.1259307965394, 39.9738724134054),
 tuple)

[lng_min, lat_min, lng_max, lat_max] = boundary

# query OSM
poi_df = osm.node_query(lat_min, lng_min, lat_max, lng_max)

# remove missing data
poi_df = poi_df.dropna(subset=["amenity"])

poi_df.head()

	lat	lon	railway	light_rail	name	network	operator	public_transport	wheelchair	highway	...	hgv	maxstay	network:website	payment:app:tesla	ref:supercharge_info	scooter	socket:nacs	socket:nacs:output	diet:mediterranean	restaurant
id
110237774	39.950401	-75.156620	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
274216093	39.957640	-75.191254	NaN	NaN	Citibank	NaN	Citibank	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
274217596	39.953015	-75.192289	NaN	NaN	Starbucks	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
313440966	39.963935	-75.166939	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
313440968	39.963978	-75.170407	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

5 rows × 604 columns

len(poi_df)

2897

poi_df[["lat", "lon", "amenity"]].head(10)

	lat	lon	amenity
id
110237774	39.950401	-75.156620	parking_entrance
274216093	39.957640	-75.191254	atm
274217596	39.953015	-75.192289	cafe
313440966	39.963935	-75.166939	car_sharing
313440968	39.963978	-75.170407	car_sharing
326519551	39.944261	-75.132616	ferry_terminal
333786044	39.940858	-75.158928	restaurant
333786095	39.941924	-75.157357	cafe
333786448	39.942642	-75.157958	bank
333786774	39.943102	-75.160030	pharmacy

5.1.1 Explore the amenities in this region

For the full list of amenities, see the OSM Wikipedia

import altair as alt  # Import Altair first

chart = (
    alt.Chart(poi_df)
    .mark_bar()
    .encode(y=alt.Y("amenity", sort="-x"), x="count()", tooltip=["amenity", "count()"])
)

chart

5.2 Step 2: Create a Pandana network

• Key function: pdna_network_from_bbox()
• It takes a bounding box and returns the OSM network within that region.
• Multiple network types: ‘walk’ and ‘drive’

# !pip install osmnet

net = osm.pdna_network_from_bbox(
    lat_min, lng_min, lat_max, lng_max, network_type="walk"
)

Requesting network data within bounding box from Overpass API in 1 request(s)
Posting to http://www.overpass-api.de/api/interpreter with timeout=180, "{'data': '[out:json][timeout:180];(way["highway"]["highway"!~"motor|proposed|construction|abandoned|platform|raceway"]["foot"!~"no"]["pedestrians"!~"no"](39.92862575,-75.19358245,39.97387241,-75.12593080);>;);out;'}"
Downloaded 8,805.4KB from www.overpass-api.de in 1.65 seconds
Downloaded OSM network data within bounding box from Overpass API in 1 request(s) and 1.75 seconds
Returning OSM data with 44,594 nodes and 14,392 ways...
Edge node pairs completed. Took 3.35 seconds
Returning processed graph with 21,080 nodes and 31,645 edges...
Completed OSM data download and Pandana node and edge table creation in 5.44 seconds
Generating contraction hierarchies with 12 threads.
Setting CH node vector of size 21080
Setting CH edge vector of size 31861
Range graph removed 974 edges of 63722
. 10% . 20% . 30% . 40% . 50% . 60% . 70% . 80% . 90% . 100%

5.3 Step 3: Tell the network the location of amenities

Key function: network.set_pois()

• Today, we’ll explore these four amenities: “restaurant”, “bar”, “school”, “car_sharing”
• IMPORTANT: if you want to explore other amenities, you’ll need to run the code below for your amenities of interest

# sensible defaults
max_distance = 2000  # in meters
num_pois = 10  # only need the 10 nearest POI to each point in the network


AMENITIES = ["restaurant", "bar", "school", "car_sharing"]
for amenity in AMENITIES:
    
    # get the subset of amenities for this type
    pois_subset = poi_df[poi_df["amenity"] == amenity]

    # set the POI, using the longitude and latitude of POI
    net.set_pois(
        amenity, max_distance, num_pois, pois_subset["lon"], pois_subset["lat"]
    )

# keyword arguments to pass for the matplotlib figure
bbox_aspect_ratio = (lat_max - lat_min) / (lng_max - lng_min)
fig_kwargs = {"facecolor": "w", "figsize": (10, 10 * bbox_aspect_ratio)}

# keyword arguments to pass for scatter plots
plot_kwargs = {"s": 20, "alpha": 0.9, "cmap": "viridis_r", "edgecolor": "none"}

5.4 Step 4: Plot the walking distance to the nearest POI

For every point on the network, find the nth nearest POI, calculate the distance, and color that point according to the distance.

1. Use network.nearest_poi() to get distances from nodes to nearest POIs
2. Merge coordinates of network nodes with distances to nearest POIs
3. Plot the node coordinates, colored by distance to nth nearest POI

5.4.1 4.1 Use network.nearest_poi() to get distances from nodes to nearest POIs

amenity = "bar"
access = net.nearest_pois(distance=2000, category=amenity, num_pois=num_pois)

access.tail(n=50)

	1	2	3	4	5	6	7	8	9	10
id
12992985501	387.933990	972.843018	985.156982	1002.348022	1002.487000	1004.830017	1074.785034	1199.498047	1208.161987	1241.420044
12992985502	388.527008	973.435974	985.750000	1002.940979	1003.080017	1005.422974	1075.378052	1200.090942	1208.755005	1242.012939
12992985505	385.356995	970.265991	982.580017	999.770996	999.909973	1002.252991	1072.208008	1196.921021	1205.584961	1238.843018
12992985506	447.894989	908.638000	920.952026	937.531006	938.143005	940.625000	1010.580017	1135.292969	1152.277954	1176.854004
12992985507	445.730988	909.205017	921.518982	938.710022	939.054016	941.192017	1011.146973	1135.859985	1150.114014	1177.781982
12992985510	321.196991	1026.510986	1033.896973	1044.662964	1063.401978	1063.745972	1065.884033	1135.838989	1164.211060	1262.045044
12992985513	360.200989	987.762024	995.598999	1005.914001	1025.104004	1026.192017	1027.586060	1097.541016	1125.462036	1264.176025
12992985514	364.709015	983.367004	991.091003	1001.518982	1020.596008	1023.078003	1023.276001	1093.032959	1121.067017	1259.667969
12992985515	408.295013	939.781006	947.505005	957.932983	977.010010	979.492004	980.556030	1049.447021	1077.480957	1216.082031
12992985519	489.779999	865.156006	877.469971	894.661011	897.143005	897.158997	967.098022	1091.811035	1106.897949	1133.733032
12992985520	442.889008	912.046997	924.361023	941.552002	941.895996	944.033997	1013.989014	1138.702026	1152.956055	1180.624023
12992985521	484.045013	870.890991	883.205017	900.395996	900.739990	902.877991	972.833008	1097.546021	1111.800049	1139.468018
12992985522	488.671997	866.263977	878.578003	895.768982	898.250977	898.267029	968.205994	1092.918945	1108.005981	1134.840942
12992985523	485.424988	869.510986	881.825012	899.015991	899.359985	901.497986	971.453003	1096.166016	1110.420044	1138.088013
12992985524	532.348999	822.586975	834.901001	852.091980	854.573975	855.638000	924.528992	1049.241943	1064.515015	1091.163940
12992985525	531.658020	824.002991	836.317017	853.507996	855.281006	855.989990	925.945007	1050.657959	1066.183960	1092.579956
12992985526	531.075989	823.859985	836.174011	853.364990	855.846985	855.862976	925.802002	1050.515015	1065.602051	1092.437012
12992985528	407.053986	941.021973	948.745972	959.174011	978.250977	980.732971	980.931030	1050.687988	1078.722046	1217.322998
12992985529	405.781006	939.807007	950.297974	957.958984	979.802979	982.284973	982.482971	1052.239990	1077.506958	1218.875000
12992985530	439.131989	916.754028	929.067993	946.258972	948.741028	948.853027	972.612000	1018.695984	1110.312012	1185.331055
12992985531	417.489014	930.586975	946.171021	948.739014	975.676025	978.158020	979.221985	1048.113037	1068.286987	1214.748047
12992985532	419.196014	926.992004	945.143982	948.182007	974.710022	980.169006	992.671021	1045.124023	1064.692017	1216.759033
12992985533	419.716003	927.512024	945.664001	948.702026	975.229980	980.689026	982.296997	1045.644043	1065.212036	1217.279053
12992985534	419.062012	925.750977	948.663025	951.700989	978.229004	983.687988	993.896973	1048.642944	1068.211060	1220.277954
12992985535	541.268005	813.668030	825.981995	843.172974	845.655029	854.213013	915.609985	1040.322998	1063.089966	1082.244995
12992985536	543.890991	811.044983	823.359009	840.549988	843.031982	853.656982	912.987000	1037.699951	1062.488037	1079.621948
12992985537	551.463013	811.017029	823.330994	840.521973	843.004028	846.085022	912.958984	1037.671997	1062.459961	1079.593994
12992985538	551.359009	813.750000	826.064026	843.255005	843.351990	845.737000	915.692017	1040.405029	1065.192993	1081.322021
12992985539	542.843018	819.911987	834.580017	844.096008	851.770996	851.898987	924.208008	1048.921021	1073.708984	1082.066040
12992985540	540.372986	822.382019	835.911987	846.565979	853.103027	854.369019	925.539978	1050.253052	1074.899048	1084.536011
12992985541	434.489990	923.127014	935.440979	951.823975	952.632019	955.114014	1025.068970	1149.781982	1164.876953	1191.343018
12992985543	441.598999	921.200989	935.310974	943.668030	952.502014	953.187988	1024.938965	1149.651978	1173.032959	1183.354980
12992985544	447.665009	915.135010	932.189026	937.601990	947.122009	949.380005	1021.817017	1146.530029	1170.741943	1177.288940
12992985545	456.290009	911.250000	923.564026	938.382996	940.755005	943.237000	1013.192017	1137.905029	1162.116943	1178.069946
12992985546	455.968994	908.638000	920.952026	937.531006	938.143005	940.625000	1010.580017	1135.292969	1159.505005	1176.854004
12992985551	452.804993	935.179993	1023.153015	1230.785034	1233.822998	1260.350952	1265.810059	1267.124023	1330.765015	1350.333008
13006788998	127.803001	152.214996	294.419006	391.424988	490.063995	978.643005	1295.319946	1295.319946	1679.610962	1729.196045
13006788999	216.914001	241.326004	383.529999	480.536011	579.174988	1067.754028	1384.431030	1384.431030	1768.722046	1818.307007
13006834609	56.481998	80.893997	223.098007	320.104004	418.743011	907.322021	1223.999023	1223.999023	1608.290039	1657.875000
13014037121	21.089001	120.253998	124.250000	153.820999	571.645020	588.414001	589.476013	605.718994	631.114990	842.487976
13014037122	42.951000	142.115997	146.112000	175.682999	549.783020	566.552002	567.614014	583.856995	652.976990	820.625977
13014037124	50.694000	153.854996	166.490005	183.425995	525.408997	542.177979	543.239990	559.482971	660.719971	796.252014
13025713803	1238.119019	1334.927979	1768.760010	1916.592041	1969.269043	1975.082031	1975.082031	1984.400024	2000.000000	2000.000000
13025955606	436.227997	700.471008	755.395020	755.395020	1200.781982	1200.781982	1200.781982	1208.651978	1210.306030	1210.306030
13025955607	429.696014	707.002991	761.927002	761.927002	1202.119995	1207.313965	1207.313965	1207.313965	1216.838013	1216.838013
13025955608	439.209991	699.843994	754.768005	754.768005	1200.155029	1200.155029	1200.155029	1209.678955	1209.678955	1220.390991
13025955609	433.653992	694.288025	749.211975	749.211975	1194.598999	1194.598999	1194.598999	1204.123047	1204.123047	1214.834961
13025955610	431.411011	708.330017	763.254028	763.254028	1198.113037	1198.113037	1198.113037	1207.636963	1207.636963	1213.350952
13025955611	437.908997	698.543030	753.466980	753.466980	1198.854004	1198.854004	1198.854004	1208.378052	1208.378052	1210.579956
13025955612	437.546997	702.193970	757.117981	757.117981	1202.505005	1202.505005	1202.505005	1212.029053	1212.029053	1219.487061

5.4.2 4.2 Merge coordinates of network nodes with distances to nearest POIs

net.nodes_df.head()

	x	y
id
103327043	-75.128666	39.934488
103332711	-75.128062	39.939224
103332730	-75.129329	39.941869
103333406	-75.130257	39.943351
103333412	-75.130332	39.943123

access.head()

	1	2	3	4	5	6	7	8	9	10
id
103327043	1752.093018	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0
103332711	988.283020	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0
103332730	670.846008	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0
103333406	597.692993	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0
103333412	623.888977	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0

import pandas as pd

# Merge the nodes and the distance to POIs
nodes = pd.merge(net.nodes_df, access, left_index=True, right_index=True)

# Make into a geodataframe
nodes = gpd.GeoDataFrame(
    nodes, geometry=gpd.points_from_xy(nodes["x"], nodes["y"]), crs="EPSG:4326"
)

nodes.head()

	x	y	1	2	3	4	5	6	7	8	9	10	geometry
id
103327043	-75.128666	39.934488	1752.093018	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	POINT (-75.12867 39.93449)
103332711	-75.128062	39.939224	988.283020	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	POINT (-75.12806 39.93922)
103332730	-75.129329	39.941869	670.846008	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	POINT (-75.12933 39.94187)
103333406	-75.130257	39.943351	597.692993	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	POINT (-75.13026 39.94335)
103333412	-75.130332	39.943123	623.888977	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	2000.0	POINT (-75.13033 39.94312)

5.4.3 4.3 And now plot it!

Let’s define a function to do this for us, since we’ll repeat this plot multiple times

def plot_walking_distance(net, amenity, distance=1000, n=1):
    """
    Plot the walking distance to the specified amenity
    """
    from mpl_toolkits.axes_grid1 import make_axes_locatable

    # subset of POI
    poi_subset = poi_df[poi_df["amenity"] == amenity]

    # get the distances to nearest num_pois POI
    access = net.nearest_pois(distance=1000, category=amenity, num_pois=num_pois)

    # merge node positions and distances to nearest PO
    nodes = pd.merge(net.nodes_df, access, left_index=True, right_index=True)
    nodes = gpd.GeoDataFrame(
        nodes, geometry=gpd.points_from_xy(nodes["x"], nodes["y"]), crs="EPSG:4326"
    )

    # Create the figure
    fig, ax = plt.subplots(figsize=(10, 10))
    divider = make_axes_locatable(ax)
    cax = divider.append_axes("right", size="5%", pad=0.1)

    # plot the distance to the nth nearest amenity
    ax = nodes.plot(ax=ax, cax=cax, column=nodes[n], legend=True, **plot_kwargs)

    # add the amenities as stars
    for i, row in poi_subset.iterrows():
        ax.scatter(row["lon"], row["lat"], color="red", s=100, marker="*")

    # format
    ax.set_facecolor("black")
    ax.figure.set_size_inches(fig_kwargs["figsize"])

    # set extent
    [xmin, ymin, xmax, ymax] = nodes.geometry.total_bounds
    ax.set_xlim(xmin, xmax)
    ax.set_ylim(ymin, ymax)

    return ax

5.5 Evaluating amenity choice

The difference between maps to the nearest amenity and for example, the 5th nearest amenity tells us about the options consumers have

5.5.1 Example: bars

ax = plot_walking_distance(net, "bar", n=1)
ax.set_title("Walking distance to the nearest bar", fontsize=18);

ax = plot_walking_distance(net, "bar", n=3)
ax.set_title("Walking distance to the 3rd nearest bar", fontsize=18);

5.5.2 Example: schools

ax = plot_walking_distance(net, "school", n=1)
ax.set_title("Walking distance to the nearest school", fontsize=18);

ax = plot_walking_distance(net, "school", n=3)
ax.set_title("Walking distance to the 3rd nearest school", fontsize=18);

5.5.3 Example: restaurants

ax = plot_walking_distance(net, "restaurant", n=1)
ax.set_title("Walking distance to the nearest restaurant", fontsize=18);

ax = plot_walking_distance(net, "restaurant", n=10)
ax.set_title("Walking distance to the 10th nearest restaurant", fontsize=18);

5.5.4 Example: car sharing

ax = plot_walking_distance(net, "car_sharing", n=1)
ax.set_title("Walking distance to the nearest car sharing", fontsize=18);

ax = plot_walking_distance(net, "car_sharing", n=10)
ax.set_title("Walking distance to the 10th nearest car sharing", fontsize=18);

6 At-home exercise: Explore amenities in the neighborhood of your choice

Many, many more amenities are logged throughout the city. Pick your favorite neighborhood and explore.

See this page for the full list of amenities.

Final project idea: With this kind of analysis, you can look at amenity-based influence in housing, neighborhood selection, etc. or something similar to the Walk Score.